โพสต์นี้เขียนร่วมกับ Brad Duncan, Rachel Johnson และ Richard Alcock จาก MathWorks
MATLAB เป็นเครื่องมือการเขียนโปรแกรมยอดนิยมสำหรับการใช้งานที่หลากหลาย เช่น การประมวลผลข้อมูล การประมวลผลแบบขนาน ระบบอัตโนมัติ การจำลอง การเรียนรู้ของเครื่อง และปัญญาประดิษฐ์ มีการใช้กันอย่างแพร่หลายในหลายอุตสาหกรรม เช่น ยานยนต์ การบินและอวกาศ การสื่อสาร และการผลิต ในช่วงไม่กี่ปีที่ผ่านมา MathWorks ได้นำเสนอผลิตภัณฑ์มากมายเข้าสู่ระบบคลาวด์ โดยเฉพาะอย่างยิ่งบน Amazon Web Services (AWS). สำหรับรายละเอียดเพิ่มเติมเกี่ยวกับผลิตภัณฑ์คลาวด์ของ MathWorks โปรดดู MATLAB และ Simulink บนคลาวด์ or ส่งอีเมลถึง Mathworks.
ในโพสต์นี้ เรานำความสามารถด้านแมชชีนเลิร์นนิงของ MATLAB เข้ามา อเมซอน SageMakerซึ่งมีคุณประโยชน์ที่สำคัญหลายประการ:
- ทรัพยากรคอมพิวเตอร์: การใช้สภาพแวดล้อมการประมวลผลประสิทธิภาพสูงที่นำเสนอโดย SageMaker สามารถเร่งความเร็วการฝึกอบรมแมชชีนเลิร์นนิงได้
- การร่วมมือ: MATLAB และ SageMaker ร่วมกันมอบแพลตฟอร์มที่แข็งแกร่งซึ่งทีมสามารถใช้เพื่อทำงานร่วมกันอย่างมีประสิทธิภาพในการสร้าง ทดสอบ และปรับใช้โมเดลการเรียนรู้ของเครื่อง
- การปรับใช้และการเข้าถึง: โมเดลสามารถติดตั้งใช้งานเป็นจุดสิ้นสุดแบบเรียลไทม์ของ SageMaker ได้ ทำให้แอปพลิเคชันอื่นสามารถเข้าถึงเพื่อประมวลผลข้อมูลสตรีมมิงแบบสดได้อย่างง่ายดาย
เราจะแสดงวิธีฝึกอบรมโมเดลแมชชีนเลิร์นนิง MATLAB เป็นงานฝึกอบรม SageMaker จากนั้นปรับใช้โมเดลเป็นจุดสิ้นสุดแบบเรียลไทม์ของ SageMaker เพื่อให้สามารถประมวลผลข้อมูลสตรีมมิงแบบสดได้
ในการดำเนินการนี้ เราจะใช้ตัวอย่างการบำรุงรักษาเชิงคาดการณ์ โดยเราจะจัดประเภทข้อผิดพลาดในปั๊มที่ใช้งานซึ่งสตรีมข้อมูลเซ็นเซอร์แบบสด เราสามารถเข้าถึงพื้นที่เก็บข้อมูลขนาดใหญ่ที่สร้างจาก ซิมูลิงค์ การจำลองที่มีข้อผิดพลาดที่เป็นไปได้สามประเภทในการรวมกันที่เป็นไปได้ต่างๆ (เช่น สถานะปกติหนึ่งสถานะและสถานะผิดพลาดเจ็ดสถานะ) เนื่องจากเรามีโมเดลของระบบและมีข้อผิดพลาดในการทำงานเกิดขึ้นน้อย เราจึงสามารถใช้ประโยชน์จากข้อมูลจำลองเพื่อฝึกอัลกอริทึมของเราได้ แบบจำลองสามารถปรับให้ตรงกับข้อมูลการปฏิบัติงานจากปั๊มจริงของเราได้โดยใช้เทคนิคการประมาณค่าพารามิเตอร์ใน MATLAB และ Simulink
วัตถุประสงค์ของเราคือการแสดงให้เห็นถึงพลังที่รวมกันของ MATLAB และ Amazon SageMaker โดยใช้ตัวอย่างการจำแนกข้อบกพร่องนี้
เราเริ่มต้นด้วยการฝึกโมเดลลักษณนามบนเดสก์ท็อปของเราด้วย MATLAB ขั้นแรก เราแยกคุณลักษณะออกจากชุดย่อยของชุดข้อมูลทั้งหมดโดยใช้ นักออกแบบคุณลักษณะการวินิจฉัย จากนั้นรันโมเดลการฝึกในพื้นที่ด้วยโมเดลแผนผังการตัดสินใจ MATLAB เมื่อเราพอใจกับการตั้งค่าพารามิเตอร์แล้ว เราสามารถสร้างฟังก์ชัน MATLAB และส่งงานพร้อมกับชุดข้อมูลไปยัง SageMaker สิ่งนี้ช่วยให้เราสามารถขยายขนาดกระบวนการฝึกอบรมเพื่อรองรับชุดข้อมูลที่มีขนาดใหญ่กว่ามาก หลังจากฝึกฝนโมเดลของเราแล้ว เราจะปรับใช้เป็นจุดข้อมูลจริงซึ่งสามารถรวมเข้ากับแอปดาวน์สตรีมหรือแดชบอร์ด เช่น MATLAB Web App
ตัวอย่างนี้จะสรุปแต่ละขั้นตอน โดยให้ความเข้าใจในทางปฏิบัติเกี่ยวกับวิธีการใช้ประโยชน์จาก MATLAB และ Amazon SageMaker สำหรับงาน Machine Learning รหัสเต็มและคำอธิบายสำหรับตัวอย่างมีอยู่ในนี้ กรุ.
เบื้องต้น
- สภาพแวดล้อมการทำงานของ MATLAB 2023a หรือใหม่กว่าพร้อม MATLAB Compiler และกล่องเครื่องมือสถิติและการเรียนรู้ของเครื่องบน Linux นี่คือก คู่มือฉบับย่อ เกี่ยวกับวิธีการรัน MATLAB บน AWS
- นักเทียบท่าตั้งค่าใน Amazon Elastic Compute Cloud (อเมซอน EC2) อินสแตนซ์ที่ MATLAB กำลังทำงานอยู่ ทั้ง อูบุนตู or ลินุกซ์.
- การติดตั้ง อินเทอร์เฟซบรรทัดคำสั่ง AWS (AWS CLI), กำหนดค่า AWSและ Python3.
- AWS CLI ควรได้รับการติดตั้งแล้วหากคุณทำตามคำแนะนำในการติดตั้ง ขั้นตอนที่ 1.
- ตั้งค่า AWS Configure เพื่อโต้ตอบกับทรัพยากร AWS
- ตรวจสอบการติดตั้ง python3 ของคุณโดยการรัน
python -V
orpython --version
คำสั่งบนเทอร์มินัลของคุณ ติดตั้ง Python หากจำเป็น
- คัดลอก repo นี้ไปยังโฟลเดอร์ในเครื่อง Linux ของคุณโดยเรียกใช้:
- ตรวจสอบสิทธิ์ในโฟลเดอร์ repo หากไม่มีสิทธิ์ในการเขียน ให้รันคำสั่งเชลล์ต่อไปนี้:
- สร้างคอนเทนเนอร์การฝึกอบรม MATLAB และดันไปที่ การลงทะเบียน Amazon Elastic Container (Amazon ECR).
- นำทางไปยังโฟลเดอร์
docker
- สร้าง repo Amazon ECR โดยใช้ AWS CLI (แทนที่ REGION ด้วยภูมิภาค AWS ที่คุณต้องการ)
- รันคำสั่งนักเทียบท่าต่อไปนี้:
- นำทางไปยังโฟลเดอร์
- เปิด MATLAB และเปิดสคริปต์สดที่เรียกว่า
PumpFaultClassificationMATLABSageMaker.mlx
ในโฟลเดอร์examples/PumpFaultClassification
. ทำให้โฟลเดอร์นี้เป็นโฟลเดอร์การทำงานปัจจุบันของคุณใน MATLAB
ส่วนที่ 1: การเตรียมข้อมูลและการดึงคุณสมบัติ
ขั้นตอนแรกในโครงการแมชชีนเลิร์นนิงคือการเตรียมข้อมูลของคุณ MATLAB มีเครื่องมือมากมายสำหรับการนำเข้า ทำความสะอาด และแยกคุณสมบัติออกจากข้อมูลของคุณ:
พื้นที่ SensorData.mat
ชุดข้อมูลประกอบด้วย 240 บันทึก แต่ละบันทึกจะมีสองตารางเวลา: flow
และ pressure
. คอลัมน์เป้าหมายคือ faultcode
ซึ่งเป็นการแสดงไบนารีของการรวมข้อบกพร่องที่เป็นไปได้สามรายการในปั๊ม สำหรับตารางอนุกรมเวลาเหล่านั้น แต่ละตารางจะมี 1,201 แถวซึ่งเลียนแบบการไหลของปั๊มและการวัดแรงดัน 1.2 วินาทีโดยเพิ่มขึ้นครั้งละ 0.001 วินาที
ถัดไป แอปตัวออกแบบคุณลักษณะการวินิจฉัยช่วยให้คุณสามารถแยก แสดงภาพ และจัดอันดับคุณลักษณะต่างๆ จากข้อมูลได้ นี่คุณใช้. คุณสมบัติอัตโนมัติซึ่งจะแยกชุดคุณลักษณะโดเมนเวลาและความถี่แบบกว้างๆ ออกจากชุดข้อมูลอย่างรวดเร็ว และจัดอันดับตัวเลือกอันดับต้นๆ สำหรับการฝึกโมเดล จากนั้นคุณสามารถส่งออกฟังก์ชัน MATLAB ที่จะคำนวณคุณลักษณะที่ได้รับการจัดอันดับสูงสุด 15 อันดับแรกจากข้อมูลอินพุตใหม่ ลองเรียกฟังก์ชันนี้กัน extractFeaturesTraining
. ฟังก์ชั่นนี้สามารถกำหนดค่าให้รับข้อมูลทั้งหมดในชุดเดียวหรือเป็นการสตรีมข้อมูล
ฟังก์ชันนี้สร้างตารางคุณลักษณะพร้อมรหัสความผิดปกติที่เกี่ยวข้อง ดังแสดงในรูปต่อไปนี้:
ส่วนที่ 2: จัดระเบียบข้อมูลสำหรับ SageMaker
ถัดไป คุณต้องจัดระเบียบข้อมูลในลักษณะที่ SageMaker สามารถใช้สำหรับการฝึกอบรม Machine Learning ได้ โดยทั่วไป สิ่งนี้เกี่ยวข้องกับการแยกข้อมูลออกเป็นชุดการฝึกอบรมและการตรวจสอบความถูกต้อง และการแยกข้อมูลตัวทำนายออกจากการตอบสนองเป้าหมาย
ในขั้นตอนนี้ อาจจำเป็นต้องมีการดำเนินการทำความสะอาดและการกรองข้อมูลที่ซับซ้อนกว่านี้ ในตัวอย่างนี้ ข้อมูลสะอาดแล้ว อาจเป็นไปได้ว่าหากการประมวลผลข้อมูลมีความซับซ้อนและใช้เวลานาน งานการประมวลผลของ SageMaker สามารถใช้เพื่อรันงานเหล่านี้นอกเหนือจากการฝึกอบรม SageMaker เพื่อให้สามารถแยกงานออกเป็นสองขั้นตอนได้
trainPredictors = trainingData(:,2:end);
trainResponse = trainingData(:,1);
ส่วนที่ 3: ฝึกอบรมและทดสอบโมเดลการเรียนรู้ของเครื่องใน MATLAB
ก่อนที่จะเปลี่ยนไปใช้ SageMaker เป็นความคิดที่ดีที่จะสร้างและทดสอบโมเดลแมชชีนเลิร์นนิงในเครื่องใน MATLAB ซึ่งจะทำให้คุณสามารถวนซ้ำและแก้ไขจุดบกพร่องของโมเดลได้อย่างรวดเร็ว คุณสามารถตั้งค่าและฝึกอบรมตัวแยกประเภทแผนผังการตัดสินใจอย่างง่ายภายในเครื่องได้
classifierModel = fitctree(...
trainPredictors,...
trainResponse,...
OptimizeHyperparameters='auto');
งานการฝึกอบรมที่นี่ควรใช้เวลาไม่ถึงหนึ่งนาทีจึงจะเสร็จสิ้น และสร้างกราฟบางส่วนเพื่อระบุความคืบหน้าของการฝึกอบรม หลังจากการฝึกอบรมเสร็จสิ้น โมเดลแมชชีนเลิร์นนิงของ MATLAB จะถูกสร้างขึ้น ที่ ผู้เรียนการจำแนกประเภท แอปสามารถใช้เพื่อลองใช้โมเดลการจัดหมวดหมู่หลายประเภทและปรับแต่งเพื่อให้ได้ประสิทธิภาพที่ดีที่สุด จากนั้นสร้างโค้ดที่จำเป็นเพื่อแทนที่โค้ดการฝึกโมเดลด้านบน
หลังจากตรวจสอบตัววัดความแม่นยำสำหรับโมเดลที่ได้รับการฝึกอบรมในพื้นที่แล้ว เราก็สามารถย้ายการฝึกอบรมไปยัง Amazon SageMaker ได้
ส่วนที่ 4: ฝึกโมเดลใน Amazon SageMaker
หลังจากที่คุณพอใจกับโมเดลแล้ว คุณสามารถฝึกโมเดลในวงกว้างได้โดยใช้ SageMaker หากต้องการเริ่มเรียกใช้ SageMaker SDK คุณต้องเริ่มเซสชัน SageMaker
session = sagemaker.Session();
ระบุการดำเนินการ SageMaker บทบาท IAM งานการฝึกอบรมและโฮสติ้งปลายทางจะใช้
role = "arn:aws:iam::ACCOUNT:role/service-role/AmazonSageMaker-ExecutionRole-XXXXXXXXXXXXXXX";
จาก MATLAB ให้บันทึกข้อมูลการฝึกอบรมเป็นไฟล์ .csv ลงในไฟล์ บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (Amazon S3) ถัง.
writetable(trainingData,'pump_training_data.csv');
trainingDataLocation = "s3:// "+session.DefaultBucket+ +"/cooling_system/input/pump_training";
copyfile("pump_training_data.csv", trainingDataLocation);
สร้างเครื่องมือประมาณการ SageMaker
ถัดไป คุณต้องสร้างตัวประมาณการ SageMaker และส่งพารามิเตอร์ที่จำเป็นทั้งหมดไปให้ เช่น อิมเมจนักเทียบท่าการฝึก ฟังก์ชันการฝึก ตัวแปรสภาพแวดล้อม ขนาดอินสแตนซ์การฝึก และอื่นๆ URI อิมเมจการฝึกอบรมควรเป็น Amazon ECR URI ที่คุณสร้างในขั้นตอนที่จำเป็นพร้อมรูปแบบ ACCOUNT.dkr.ecr.us-east-1.amazonaws.com/sagemaker-matlab-training-r2023a:latest
. ควรจัดให้มีฟังก์ชันการฝึกอบรมที่ด้านล่างของสคริปต์สด MATLAB
ส่งงานฝึกอบรม SageMaker
การเรียกวิธี fit จากตัวประมาณค่าจะส่งงานการฝึกไปยัง SageMaker
est.fit(training=struct(Location=trainingDataLocation, ContentType="text/csv"))
คุณยังสามารถตรวจสอบสถานะงานการฝึกอบรมได้จากคอนโซล SageMaker:
หลังจากงานการฝึกอบรมเสร็จสิ้น การเลือกลิงก์งานจะนำคุณไปยังหน้าคำอธิบายงานซึ่งคุณจะเห็นโมเดล MATLAB ที่บันทึกไว้ในบัคเก็ต S3 เฉพาะ:
ส่วนที่ 5: ปรับใช้โมเดลเป็นจุดสิ้นสุด SageMaker แบบเรียลไทม์
หลังการฝึก คุณสามารถปรับใช้โมเดลเป็นจุดสิ้นสุด SageMaker แบบเรียลไทม์ ซึ่งคุณสามารถใช้คาดการณ์แบบเรียลไทม์ได้ เมื่อต้องการทำเช่นนี้ เรียกวิธีการปรับใช้จากตัวประมาณค่า ที่นี่คุณสามารถตั้งค่าขนาดอินสแตนซ์ที่ต้องการสำหรับการโฮสต์โดยขึ้นอยู่กับปริมาณงาน
เบื้องหลัง ขั้นตอนนี้จะสร้างอิมเมจนักเทียบท่าการอนุมานและพุชไปยังพื้นที่เก็บข้อมูล Amazon ECR โดยที่ผู้ใช้ไม่จำเป็นต้องสร้างคอนเทนเนอร์การอนุมาน รูปภาพประกอบด้วยข้อมูลที่จำเป็นทั้งหมดเพื่อตอบสนองคำขออนุมาน เช่น ตำแหน่งโมเดล ข้อมูลการตรวจสอบสิทธิ์ MATLAB และอัลกอริทึม หลังจากนั้น Amazon SageMaker จะสร้างการกำหนดค่าตำแหน่งข้อมูล SageMaker และปรับใช้ตำแหน่งข้อมูลแบบเรียลไทม์ในที่สุด สามารถตรวจสอบตำแหน่งข้อมูลได้ในคอนโซล SageMaker และสามารถยกเลิกได้ตลอดเวลาหากไม่มีการใช้งานอีกต่อไป
ส่วนที่ 6: ทดสอบจุดสิ้นสุด
เมื่อจุดสิ้นสุดพร้อมใช้งานแล้ว คุณสามารถทดสอบจุดสิ้นสุดได้โดยให้บันทึกสองสามรายการเพื่อคาดการณ์ ใช้โค้ดต่อไปนี้เพื่อเลือก 10 เรกคอร์ดจากข้อมูลการฝึก และส่งไปยังจุดสิ้นสุดเพื่อการคาดการณ์ ผลการคาดการณ์จะถูกส่งกลับจากจุดสิ้นสุดและแสดงไว้ในรูปภาพต่อไปนี้
ส่วนที่ 7: การรวมแดชบอร์ด
ตำแหน่งข้อมูล SageMaker สามารถเรียกใช้โดยบริการ AWS ดั้งเดิมมากมาย นอกจากนี้ยังสามารถใช้เป็น REST API มาตรฐานได้หากใช้งานร่วมกับ AWS แลมบ์ดา ฟังก์ชันและเกตเวย์ API ซึ่งสามารถรวมเข้ากับเว็บแอปพลิเคชันใดก็ได้ สำหรับกรณีการใช้งานเฉพาะนี้ คุณสามารถใช้การนำเข้าการสตรีมกับ Amazon SageMaker Feature Store และ Amazon Managed Streaming สำหรับ Apache Kafka, MSK เพื่อทำการตัดสินใจที่ได้รับการสนับสนุนจาก Machine Learning ในเวลาใกล้เคียงเรียลไทม์ การบูรณาการที่เป็นไปได้อีกอย่างหนึ่งคือการใช้การรวมกันของ อเมซอน Kinesis, SageMaker และ Apache Flink เพื่อสร้างแอปพลิเคชันที่ได้รับการจัดการ เชื่อถือได้ ปรับขนาดได้ และพร้อมใช้งานสูง ซึ่งสามารถอนุมานแบบเรียลไทม์บนสตรีมข้อมูลได้
หลังจากปรับใช้อัลกอริทึมกับตำแหน่งข้อมูล SageMaker แล้ว คุณอาจต้องการแสดงภาพโดยใช้แดชบอร์ดที่แสดงการคาดการณ์แบบสตรีมแบบเรียลไทม์ ในเว็บแอป MATLAB แบบกำหนดเองที่ตามมา คุณสามารถดูข้อมูลความดันและการไหลตามปั๊ม และการคาดการณ์ข้อผิดพลาดแบบเรียลไทม์จากโมเดลที่ปรับใช้
ในแดชบอร์ดนี้ประกอบด้วยแบบจำลองอายุการใช้งานคงเหลือ (RUL) เพื่อคาดการณ์เวลาที่จะเกิดความล้มเหลวสำหรับปั๊มแต่ละตัวที่ต้องการ หากต้องการเรียนรู้วิธีฝึกอัลกอริทึม RUL โปรดดู กล่องเครื่องมือบำรุงรักษาเชิงคาดการณ์.
ทำความสะอาดขึ้น
หลังจากที่คุณเรียกใช้โซลูชันนี้ ตรวจสอบให้แน่ใจว่าคุณได้ล้างทรัพยากร AWS ที่ไม่จำเป็นเพื่อหลีกเลี่ยงค่าใช้จ่ายที่ไม่คาดคิด คุณสามารถล้างทรัพยากรเหล่านี้ได้โดยใช้ SageMaker Python SDK หรือ AWS Management Console สำหรับบริการเฉพาะที่ใช้ที่นี่ (SageMaker, Amazon ECR และ Amazon S3) การลบทรัพยากรเหล่านี้จะเป็นการป้องกันการเรียกเก็บเงินเพิ่มเติมสำหรับทรัพยากรที่คุณไม่ได้ใช้อีกต่อไป
สรุป
เราได้สาธิตวิธีที่คุณสามารถนำ MATLAB มาสู่ SageMaker สำหรับกรณีการใช้งานการบำรุงรักษาเชิงคาดการณ์ของปั๊มกับวงจรการเรียนรู้ของเครื่องทั้งหมด SageMaker มอบสภาพแวดล้อมที่มีการจัดการเต็มรูปแบบสำหรับการรันปริมาณงาน Machine Learning และการปรับใช้โมเดลด้วยตัวเลือกอินสแตนซ์การประมวลผลที่หลากหลายที่ตอบสนองความต้องการที่หลากหลาย
ข้อจำกัดความรับผิดชอบ: รหัสที่ใช้ในโพสต์นี้เป็นของและดูแลโดย MathWorks อ้างถึงข้อกำหนดสิทธิ์การใช้งานใน repo GitHub สำหรับปัญหาใดๆ เกี่ยวกับโค้ดหรือคำขอฟีเจอร์ โปรดเปิดปัญหา GitHub ในพื้นที่เก็บข้อมูล
อ้างอิง
เกี่ยวกับผู้เขียน
แบรด ดันแคน เป็นผู้จัดการผลิตภัณฑ์สำหรับความสามารถในการเรียนรู้ของเครื่องในกล่องเครื่องมือสถิติและการเรียนรู้ของเครื่องที่ MathWorks เขาทำงานร่วมกับลูกค้าเพื่อนำ AI ไปใช้ในด้านวิศวกรรมใหม่ๆ เช่น การผสมผสานเซ็นเซอร์เสมือนในระบบทางวิศวกรรม การสร้างโมเดลการเรียนรู้ของเครื่องที่อธิบายได้ และการกำหนดมาตรฐานเวิร์กโฟลว์ AI โดยใช้ MATLAB และ Simulink ก่อนที่จะมาร่วมงานกับ MathWorks เขาได้เป็นผู้นำทีมสำหรับการจำลอง 3 มิติและการเพิ่มประสิทธิภาพของอากาศพลศาสตร์ของยานพาหนะ ประสบการณ์ผู้ใช้สำหรับการจำลอง 3 มิติ และการจัดการผลิตภัณฑ์สำหรับซอฟต์แวร์การจำลอง แบรดยังเป็นวิทยากรรับเชิญที่ Tufts University ในด้านอากาศพลศาสตร์ของยานพาหนะ
ริชาร์ด อัลค็อก เป็นผู้จัดการฝ่ายพัฒนาอาวุโสของ Cloud Platform Integrations ที่ MathWorks ในบทบาทนี้ เขามีบทบาทสำคัญในการบูรณาการผลิตภัณฑ์ MathWorks เข้ากับแพลตฟอร์มคลาวด์และคอนเทนเนอร์ได้อย่างราบรื่น เขาสร้างโซลูชันที่ช่วยให้วิศวกรและนักวิทยาศาสตร์สามารถควบคุมศักยภาพสูงสุดของ MATLAB และ Simulink ในสภาพแวดล้อมบนคลาวด์ ก่อนหน้านี้เขาเคยเป็นวิศวกรซอฟต์แวร์ที่ MathWorks โดยพัฒนาโซลูชันเพื่อรองรับเวิร์กโฟลว์การประมวลผลแบบขนานและแบบกระจาย
ราเชลจอห์นสัน เป็นผู้จัดการผลิตภัณฑ์สำหรับการบำรุงรักษาเชิงคาดการณ์ที่ MathWorks และรับผิดชอบด้านกลยุทธ์ผลิตภัณฑ์และการตลาดโดยรวม ก่อนหน้านี้เธอเป็นวิศวกรประยุกต์ที่สนับสนุนอุตสาหกรรมการบินและอวกาศโดยตรงในโครงการบำรุงรักษาเชิงคาดการณ์ ก่อนที่จะมาร่วมงานกับ MathWorks Rachel เคยเป็นวิศวกรจำลองด้านอากาศพลศาสตร์และระบบขับเคลื่อนให้กับกองทัพเรือสหรัฐฯ เธอยังใช้เวลาหลายปีในการสอนคณิตศาสตร์ ฟิสิกส์ และวิศวกรรมศาสตร์
ชุนเหมา เป็นสถาปนิกโซลูชันคู่ค้า AI/ML อาวุโสในทีม Emerging Technologies ที่ Amazon Web Services เขามีความหลงใหลในการทำงานร่วมกับลูกค้าองค์กรและพันธมิตรในการออกแบบ ปรับใช้ และปรับขนาดแอปพลิเคชัน AI/ML เพื่อให้ได้มูลค่าทางธุรกิจ นอกเวลางาน เขาชอบตกปลา ท่องเที่ยว และเล่นปิงปอง
ราเมศ จาติยา เป็นสถาปนิกโซลูชันในทีมผู้จำหน่ายซอฟต์แวร์อิสระ (ISV) ที่ Amazon Web Services เขามีความหลงใหลในการทำงานร่วมกับลูกค้า ISV เพื่อออกแบบ ปรับใช้ และปรับขนาดแอปพลิเคชันในระบบคลาวด์เพื่อสร้างมูลค่าทางธุรกิจ เขายังกำลังศึกษาหลักสูตร MBA สาขา Machine Learning และ Business Analytics จาก Babson College เมืองบอสตัน นอกเหนือจากการทำงาน เขาสนุกกับการวิ่ง เล่นเทนนิส และทำอาหาร
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- PlatoData.Network Vertical Generative Ai เพิ่มพลังให้กับตัวเอง เข้าถึงได้ที่นี่.
- เพลโตไอสตรีม. Web3 อัจฉริยะ ขยายความรู้ เข้าถึงได้ที่นี่.
- เพลโตESG. คาร์บอน, คลีนเทค, พลังงาน, สิ่งแวดล้อม แสงอาทิตย์, การจัดการของเสีย. เข้าถึงได้ที่นี่.
- เพลโตสุขภาพ เทคโนโลยีชีวภาพและข่าวกรองการทดลองทางคลินิก เข้าถึงได้ที่นี่.
- ที่มา: https://aws.amazon.com/blogs/machine-learning/machine-learning-with-matlab-and-amazon-sagemaker/
- :มี
- :เป็น
- :ไม่
- :ที่ไหน
- $ ขึ้น
- 001
- 1
- 10
- 100
- 15%
- 152
- 19
- 20
- 3d
- 7
- 8
- a
- เกี่ยวกับเรา
- ข้างบน
- เข้า
- สามารถเข้าถึงได้
- อำนวยความสะดวก
- ลงชื่อเข้าใช้
- ความถูกต้อง
- ความได้เปรียบ
- การบินและอวกาศ
- หลังจาก
- AI
- AI / ML
- ขั้นตอนวิธี
- อัลกอริทึม
- ทั้งหมด
- ช่วยให้
- ตาม
- แล้ว
- ด้วย
- อเมซอน
- Amazon EC2
- อเมซอน SageMaker
- Amazon Web Services
- an
- การวิเคราะห์
- และ
- อื่น
- ใด
- อาปาเช่
- นอกเหนือ
- API
- app
- แอพอนุญาต
- การใช้งาน
- การใช้งาน
- ใช้
- เป็น
- AREA
- พื้นที่
- เทียม
- ปัญญาประดิษฐ์
- AS
- ที่เกี่ยวข้อง
- At
- การยืนยันตัวตน
- รถยนต์
- อัตโนมัติ
- ยานยนต์
- ใช้ได้
- หลีกเลี่ยง
- AWS
- คอนโซลการจัดการ AWS
- Babson
- กลับ
- BE
- เพราะ
- ก่อน
- เริ่ม
- ประโยชน์ที่ได้รับ
- ที่ดีที่สุด
- บอสตัน
- ด้านล่าง
- แบรด
- นำมาซึ่ง
- กว้าง
- นำ
- สร้าง
- การก่อสร้าง
- สร้าง
- ธุรกิจ
- by
- โทรศัพท์
- ที่เรียกว่า
- โทร
- CAN
- ผู้สมัคร
- ความสามารถในการ
- สามารถ
- กรณี
- โหลด
- ตรวจสอบ
- การตรวจสอบ
- การจัดหมวดหมู่
- แยกประเภท
- ปลาเดยส์
- การทำความสะอาด
- เมฆ
- แพลตฟอร์มคลาวด์
- รหัส
- รหัส
- ร่วมมือ
- การทำงานร่วมกัน
- วิทยาลัย
- คอลัมน์
- COM
- การผสมผสาน
- รวม
- รวม
- มา
- การสื่อสาร
- ซับซ้อน
- คำนวณ
- การคำนวณ
- องค์ประกอบ
- การกำหนดค่า
- ปลอบใจ
- การบริโภค
- ภาชนะ
- มี
- ค่าใช้จ่าย
- สร้าง
- ที่สร้างขึ้น
- สร้าง
- ปัจจุบัน
- ประเพณี
- ลูกค้า
- หน้าปัด
- ข้อมูล
- การเตรียมข้อมูล
- การประมวลผล
- ชุดข้อมูล
- การตัดสินใจ
- การตัดสินใจ
- ทุ่มเท
- สาธิต
- แสดงให้เห็นถึง
- ทั้งนี้ขึ้นอยู่กับ
- ปรับใช้
- นำไปใช้
- ปรับใช้
- Deploys
- ได้มา
- ลักษณะ
- ออกแบบ
- นักออกแบบ
- ที่ต้องการ
- เดสก์ท็อป
- รายละเอียด
- ที่กำลังพัฒนา
- พัฒนาการ
- การวินิจฉัย
- โดยตรง
- แสดง
- กระจาย
- คอมพิวเตอร์แบบกระจาย
- do
- นักเทียบท่า
- ทำ
- โดเมน
- ดันแคน
- แต่ละ
- มีประสิทธิภาพ
- ทั้ง
- กากกะรุน
- เทคโนโลยีใหม่
- ทำให้สามารถ
- ปลาย
- ปลายทาง
- วิศวกร
- วิศวกรรม
- ชั้นเยี่ยม
- วิศวกร
- Enterprise
- ทั้งหมด
- สิ่งแวดล้อม
- สภาพแวดล้อม
- โดยเฉพาะอย่างยิ่ง
- ตัวอย่าง
- การปฏิบัติ
- ประสบการณ์
- ส่งออก
- สารสกัด
- สารสกัดจาก
- ความล้มเหลว
- ความผิดพลาด
- ความผิดพลาด
- ลักษณะ
- คุณสมบัติ
- สองสาม
- รูป
- เนื้อไม่มีมัน
- กรอง
- ในที่สุด
- เสร็จสิ้น
- ชื่อจริง
- ประมง
- พอดี
- ไหล
- ตาม
- ดังต่อไปนี้
- ดังต่อไปนี้
- สำหรับ
- รูป
- เวลา
- ราคาเริ่มต้นที่
- เต็ม
- อย่างเต็มที่
- ฟังก์ชัน
- ต่อไป
- เกตเวย์
- สร้าง
- สร้าง
- สร้าง
- GitHub
- ให้
- ดี
- กราฟ
- ยิ่งใหญ่
- แขก
- ให้คำแนะนำ
- เทียม
- มี
- he
- สุขภาพ
- แข็งแรง
- หนัก
- โปรดคลิกที่นี่เพื่ออ่านรายละเอียดเพิ่มเติม
- ประสิทธิภาพสูง
- อย่างสูง
- โฮสติ้ง
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- HTML
- HTTPS
- ความคิด
- if
- ภาพ
- การนำเข้า
- in
- รวมถึง
- ผสมผสาน
- เพิ่มขึ้น
- อิสระ
- แสดง
- อุตสาหกรรม
- อุตสาหกรรม
- ข้อมูล
- เริ่มต้น
- อินพุต
- ติดตั้ง
- การติดตั้ง
- การติดตั้ง
- ตัวอย่าง
- เป็นเครื่องมือ
- แบบบูรณาการ
- การบูรณาการ
- บูรณาการ
- การผสานรวม
- Intelligence
- โต้ตอบ
- อินเตอร์เฟซ
- เข้าไป
- ปัญหา
- ปัญหา
- ไอเอสวี
- IT
- การสัมภาษณ์
- งาน
- จอห์นสัน
- jpg
- ใหญ่
- ที่มีขนาดใหญ่
- ต่อมา
- ล่าสุด
- เรียนรู้
- การเรียนรู้
- นำ
- น้อยลง
- เลฟเวอเรจ
- License
- ชีวิต
- วงจรชีวิต
- LINK
- ลินุกซ์
- สด
- ในท้องถิ่น
- ที่ตั้ง
- เข้าสู่ระบบ
- อีกต่อไป
- เครื่อง
- เรียนรู้เครื่อง
- การบำรุงรักษา
- ทำ
- การทำ
- การจัดการ
- การจัดการ
- ผู้จัดการ
- การผลิต
- หลาย
- การตลาด
- การจับคู่
- คณิตศาสตร์
- การวัด
- วิธี
- ตัวชี้วัด
- อาจ
- นาที
- ML
- แบบ
- โมเดล
- การตรวจสอบ
- การตรวจสอบ
- ข้อมูลเพิ่มเติม
- ย้าย
- การย้าย
- มาก
- ที่มีชื่อ
- พื้นเมือง
- ใกล้
- จำเป็น
- จำเป็นต้อง
- จำเป็น
- ความต้องการ
- ใหม่
- ไม่
- ไม่มีอะไร
- วัตถุประสงค์
- of
- เสนอ
- การเสนอขาย
- on
- ครั้งเดียว
- ONE
- เปิด
- การดำเนินการ
- การดำเนินงาน
- การดำเนินการ
- การเพิ่มประสิทธิภาพ
- or
- อื่นๆ
- ของเรา
- เอาท์พุต
- ด้านนอก
- ทั้งหมด
- เป็นเจ้าของ
- หน้า
- Parallel
- พารามิเตอร์
- พารามิเตอร์
- ในสิ่งที่สนใจ
- หุ้นส่วน
- พาร์ทเนอร์
- ส่ง
- หลงใหล
- การปฏิบัติ
- การอนุญาต
- ฟิสิกส์
- เวที
- แพลตฟอร์ม
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- เล่น
- กรุณา
- ยอดนิยม
- เป็นไปได้
- โพสต์
- ที่มีศักยภาพ
- ที่อาจเกิดขึ้น
- อำนาจ
- ประยุกต์
- คาดการณ์
- คำทำนาย
- การคาดการณ์
- Predictor
- ที่ต้องการ
- การจัดเตรียม
- เตรียมการ
- ความดัน
- ป้องกัน
- ก่อนหน้านี้
- ก่อน
- กระบวนการ
- การประมวลผล
- ก่อ
- ผลิต
- ผลิต
- ผลิตภัณฑ์
- การจัดการผลิตภัณฑ์
- ผู้จัดการผลิตภัณฑ์
- ผลิตภัณฑ์
- การเขียนโปรแกรม
- ความคืบหน้า
- โครงการ
- โครงการ
- แรงขับ
- ให้
- ให้
- ให้
- การให้
- ปั๊ม
- ผลัก
- ผลักดัน
- หลาม
- คำถาม
- อย่างรวดเร็ว
- พิสัย
- อันดับ
- จัดอันดับ
- อันดับ
- หายาก
- อย่างง่ายดาย
- จริง
- เรียลไทม์
- เมื่อเร็ว ๆ นี้
- ระเบียน
- บันทึก
- อ้างอิง
- ภูมิภาค
- รีจิสทรี
- น่าเชื่อถือ
- ที่เหลืออยู่
- แทนที่
- กรุ
- การแสดง
- ขอ
- การร้องขอ
- จำเป็นต้องใช้
- แหล่งข้อมูล
- คำตอบ
- รับผิดชอบ
- REST
- ผล
- ริชาร์ด
- แข็งแรง
- บทบาท
- วิ่ง
- วิ่ง
- sagemaker
- ความพึงพอใจ
- พอใจกับ
- ลด
- ที่บันทึกไว้
- ที่ปรับขนาดได้
- ขนาด
- ฉาก
- นักวิทยาศาสตร์
- ต้นฉบับ
- sdks
- ได้อย่างลงตัว
- วินาที
- เห็น
- การเลือก
- การเลือก
- ส่ง
- ระดับอาวุโส
- เซ็นเซอร์
- ส่ง
- ชุด
- ให้บริการ
- บริการ
- บริการ
- การให้บริการ
- เซสชั่น
- ชุด
- ชุดอุปกรณ์
- การตั้งค่า
- เจ็ด
- หลาย
- เธอ
- เปลือก
- น่า
- โชว์
- แสดง
- สำคัญ
- ง่าย
- จำลอง
- ขนาด
- So
- ซอฟต์แวร์
- วิศวกรรมซอฟต์แวร์
- ทางออก
- โซลูชัน
- บาง
- โดยเฉพาะ
- ความเร็ว
- การใช้จ่าย
- ระยะ
- มาตรฐาน
- มาตรฐาน
- เริ่มต้น
- สหรัฐอเมริกา
- สถิติ
- Status
- ขั้นตอน
- ขั้นตอน
- การเก็บรักษา
- จัดเก็บ
- กลยุทธ์
- กระแส
- ที่พริ้ว
- อย่างเช่น
- สรุป
- สนับสนุน
- ที่สนับสนุน
- แน่ใจ
- ระบบ
- ระบบ
- ตาราง
- TAG
- เอา
- ใช้เวลา
- เป้า
- งาน
- การเรียนการสอน
- ทีม
- ทีม
- เทคนิค
- เทคโนโลยี
- สถานีปลายทาง
- เงื่อนไขการใช้บริการ
- ทดสอบ
- การทดสอบ
- กว่า
- ที่
- พื้นที่
- พื้นที่
- ของพวกเขา
- พวกเขา
- แล้วก็
- ล้อยางขัดเหล่านี้ติดตั้งบนแกน XNUMX (มม.) ผลิตภัณฑ์นี้ถูกผลิตในหลายรูปทรง และหลากหลายเบอร์ความแน่นหนาของปริมาณอนุภาคขัดของมัน จะทำให้ท่านได้รับประสิทธิภาพสูงในการขัดและการใช้งานที่ยาวนาน
- พวกเขา
- นี้
- เหล่านั้น
- สาม
- เวลา
- อนุกรมเวลา
- ไปยัง
- ร่วมกัน
- เครื่องมือ
- กล่องเครื่องมือ
- เครื่องมือ
- ด้านบน
- รถไฟ
- การฝึกอบรม
- การเดินทาง
- ต้นไม้
- ลอง
- ปรับแต่ง
- ติดตามความคืบหน้า
- สอง
- ชนิด
- เป็นปกติ
- ความเข้าใจ
- ไม่คาดฝัน
- มหาวิทยาลัย
- us
- ใช้
- ใช้กรณี
- มือสอง
- ผู้ใช้งาน
- ประสบการณ์ของผู้ใช้
- การใช้
- การตรวจสอบ
- ความคุ้มค่า
- ความหลากหลาย
- ต่างๆ
- พาหนะ
- ผู้ขาย
- มาก
- เสมือน
- เห็นภาพ
- ต้องการ
- คือ
- ทาง..
- we
- เว็บ
- เว็บแอปพลิเคชัน
- บริการเว็บ
- ที่
- กว้าง
- ช่วงกว้าง
- จะ
- กับ
- งาน
- ขั้นตอนการทำงาน
- การทำงาน
- โรงงาน
- เขียน
- เขียน
- ปี
- คุณ
- ของคุณ
- ลมทะเล